class-imbalance

RADS 利用强化学习挑选最具信息量的样本进行少样本微调，在低资源且极度不平衡的临床数据集上显著提高迁移学习准确率。

孟菲斯大学研究团队提出 HAMR——一种模型无关的元学习框架，通过双层优化与邻域感知重采样，在六个不平衡 NLP 数据集上自适应地为困难样本与少数类重新赋权。